論文の概要: ManiDreams: An Open-Source Library for Robust Object Manipulation via Uncertainty-aware Task-specific Intuitive Physics

• arxiv url: http://arxiv.org/abs/2603.18336v1
• Date: Wed, 18 Mar 2026 22:46:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-21 18:33:56.967061
• Title: ManiDreams: An Open-Source Library for Robust Object Manipulation via Uncertainty-aware Task-specific Intuitive Physics
• Title（参考訳）: ManiDreams: 不確かさを意識したタスク固有直観物理学によるロバストオブジェクト操作のためのオープンソースライブラリ
• Authors: Gaotian Wang, Kejia Ren, Andrew S. Morgan, Kaiyu Hang,
• Abstract要約: 直感的な物理モデルを用いた不確実性認識操作計画のためのモジュラーフレームワークであるManiDreamsを,オープンソースとして公開した。 ManiDreamsは知覚、パラメトリック、構造という3つの不確実性の原因に対処している。 これは、分布結果に対する候補行動を評価するサンプル予測制約ループで、基本方針をラップする。
• 参考スコア（独自算出の注目度）: 5.503129542452224
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Dynamics models, whether simulators or learned world models, have long been central to robotic manipulation, but most focus on minimizing prediction error rather than confronting a more fundamental challenge: real-world manipulation is inherently uncertain. We argue that robust manipulation under uncertainty is fundamentally an integration problem: uncertainties must be represented, propagated, and constrained within the planning loop, not merely suppressed during training. We present and open-source ManiDreams, a modular framework for uncertainty-aware manipulation planning over intuitive physics models. It realizes this integration through composable abstractions for distributional state representation, backend-agnostic dynamics prediction, and declarative constraint specification for action optimization. The framework explicitly addresses three sources of uncertainty: perceptual, parametric, and structural. It wraps any base policy with a sample-predict-constrain loop that evaluates candidate actions against distributional outcomes, adding robustness without retraining. Experiments on ManiSkill tasks show that ManiDreams maintains robust performance under various perturbations where the RL baseline degrades significantly. Runnable examples on pushing, picking, catching, and real-world deployment demonstrate flexibility across different policies, optimizers, physics backends, and executors. The framework is publicly available at https://github.com/Rice-RobotPI-Lab/ManiDreams
• Abstract（参考訳）: シミュレータや学習された世界モデルに関わらず、ダイナミクスモデルは長い間ロボット操作の中心だったが、ほとんどの場合、より根本的な課題に直面するのではなく、予測エラーを最小限にすることに焦点を当てている。 不確実性の下での堅牢な操作は、基本的に統合の問題であり、不確実性は、トレーニング中に単に抑制されるのではなく、計画ループ内で表現され、伝播され、制約されなければならない。 直感的な物理モデルを用いた不確実性認識操作計画のためのモジュラーフレームワークであるManiDreamsを,オープンソースとして公開した。 この統合は、分散状態表現のための構成可能な抽象化、バックエンドに依存しない動的予測、アクション最適化のための宣言的制約仕様を通じて実現されている。 このフレームワークは、知覚、パラメトリック、構造という3つの不確実性ソースに明示的に対応している。 サンプル予測・制約ループで基本方針をラップし、分散結果に対する候補動作を評価し、再トレーニングせずに堅牢性を追加する。 ManiSkillタスクの実験では、ManiDreamsはRLベースラインが著しく劣化する様々な摂動の下で堅牢な性能を維持している。 プッシュ、ピック、キャッチ、実世界のデプロイに関する実行可能な例は、さまざまなポリシ、オプティマイザ、物理バックエンド、エグゼキュータの柔軟性を示している。 フレームワークはhttps://github.com/Rice-RobotPI-Lab/ManiDreamsで公開されている。

関連論文リスト

• Learning Object-Centric Spatial Reasoning for Sequential Manipulation in Cluttered Environments [0.0]
  我々は,低レベルの行動実行から高レベルの空間的推論を分離するフレームワークUnveilerを提案する。 この分離されたアーキテクチャは、パラメータ数と推論時間の観点からより計算的に効率的であることを示す。 シミュレーションでは,97.6%の成功率,90.0%の完全閉塞シナリオを達成し,複雑な操作タスクにおけるオブジェクト中心推論の能力について考察した。
  論文  参考訳（メタデータ） (2026-03-03T01:45:53Z)
• ABot-M0: VLA Foundation Model for Robotic Manipulation with Action Manifold Learning [31.000965640377128]
  ABot-M0は、システマティックデータキュレーションパイプラインを構築するフレームワークである。 これは不均一な生データを統一的で効率的な表現にエンドツーエンドに変換することを可能にする。 ABot-M0はデュアルストリーム機構を通じてモジュール認識をサポートする。
  論文  参考訳（メタデータ） (2026-02-11T16:47:01Z)
• Agentic Physical AI toward a Domain-Specific Foundation Model for Nuclear Reactor Control [3.9610256846446554]
  最近のベンチマークでは、視覚言語モデルは基本的な量物理学のタスクで50～53%の精度しか達成していない。 パーセプション中心のアーキテクチャはパラメータ空間の模倣を最適化するが、セーフティクリティカルな制御は結果空間の保証を要求する。 本稿では,エージェント物理AIとして動作するコンパクト言語モデルを導入することにより,ドメイン固有基盤モデルに対する根本的に異なる経路を示す。
  論文  参考訳（メタデータ） (2025-12-29T08:26:27Z)
• UF-RNN: Real-Time Adaptive Motion Generation Using Uncertainty-Driven Foresight Prediction [4.849928323880955]
  状態が不確実な環境で効果的に動作するためのロボットの訓練は、ロボット工学における長年の課題である。 本稿では、標準時系列予測とアクティブな「フォレスト」モジュールを組み合わせたモデルである、不確実性駆動型フォレストリカレントニューラルネットワーク(UF-RNN)を提案する。 UF-RNNは、その潜在空間における自己誘起カオス力学を活用することにより、堅牢な適応を示す。 これらの結果は、不確実性駆動型フォレストを模倣学習パイプラインに統合することで、予測不可能な現実世界の状況に対処するロボットの能力を著しく向上させることができることを示唆している。
  論文  参考訳（メタデータ） (2025-10-11T13:44:20Z)
• ImaginationPolicy: Towards Generalizable, Precise and Reliable End-to-End Policy for Robotic Manipulation [46.06124092071133]
  ロボット操作のための新しい動き指向キーポイント(CoMOK)の定式化を提案する。 私たちの定式化は、エンドツーエンドでトレーニング可能なニューラルポリシーのアクション表現として使用されます。
  論文  参考訳（メタデータ） (2025-09-25T07:29:07Z)
• Dynamic Manipulation of Deformable Objects in 3D: Simulation, Benchmark and Learning Strategy [88.8665000676562]
  従来の手法は、しばしば問題を低速または2D設定に単純化し、現実の3Dタスクに適用性を制限する。 データ不足を軽減するため、新しいシミュレーションフレームワークと、低次ダイナミクスに基づくベンチマークを導入する。 本研究では,シミュレーション前トレーニングと物理インフォームドテスト時間適応を統合するフレームワークであるDynamics Informed Diffusion Policy (DIDP)を提案する。
  論文  参考訳（メタデータ） (2025-05-23T03:28:25Z)
• G3Flow: Generative 3D Semantic Flow for Pose-aware and Generalizable Object Manipulation [65.86819811007157]
  本稿では,基礎モデルを活用した動的オブジェクト中心の3D表現であるリアルタイムセマンティックフローを構築する新しいフレームワークG3Flowを提案する。 提案手法は,デジタルツイン生成のための3次元生成モデル,セマンティック特徴抽出のための視覚基盤モデル,連続的なセマンティックフロー更新のためのロバストポーズ追跡を一意に組み合わせたものである。 本研究は,ロボット操作ポリシーのリアルタイムな動的意味的特徴理解におけるG3Flowの有効性を実証するものである。
  論文  参考訳（メタデータ） (2024-11-27T14:17:43Z)
• Advancing the Robustness of Large Language Models through Self-Denoised Smoothing [50.54276872204319]
  大規模言語モデル(LLM)は大きな成功を収めたが、敵の摂動に対する脆弱性は大きな懸念を引き起こしている。 本稿では,LLMのマルチタスク特性を活用して,まずノイズの入力を識別し,次にこれらの復号化バージョンに基づいて予測を行う。 LLMのロバスト性を高めるために個別のモデルを訓練する必要がある従来のコンピュータビジョンのスムース化技術とは異なり、本手法は効率と柔軟性を著しく向上させる。
  論文  参考訳（メタデータ） (2024-04-18T15:47:00Z)
• Robust Value Iteration for Continuous Control Tasks [99.00362538261972]
  シミュレーションから物理システムへ制御ポリシを転送する場合、そのポリシは、動作の変動に対して堅牢でなければならない。 本稿では、動的プログラミングを用いて、コンパクトな状態領域上での最適値関数を計算するRobust Fitted Value Iterationを提案する。 より深い強化学習アルゴリズムや非ロバストなアルゴリズムと比較して、ロバストな値の方が頑健であることを示す。
  論文  参考訳（メタデータ） (2021-05-25T19:48:35Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。